生成式AI在血液诊断领域的突破
一种新的人工智能系统通过检查血细胞的形状和结构，可以显著改善白血病等疾病的诊断方式。研究人员表示，该工具在识别异常细胞方面比人类专家具有更高的准确性和一致性，有可能减少漏诊或不确定的诊断。
该系统名为CytoDiffusion，依赖于生成式人工智能（与DALL-E等图像生成器使用的技术类型相同）来详细分析血细胞外观。它不仅仅关注明显的模式，还研究显微镜下细胞外观的细微变化。
超越模式识别
许多现有的医疗AI工具经过训练，可以将图像分类到预定义的类别中。相比之下，CytoDiffusion团队的研究表明，他们的方法能够识别正常血细胞外观的全部范围，并可靠地标记出可能预示疾病的罕见或异常细胞。该研究由某大学、某大学和某大学的研究人员领导，成果发表在《自然·机器智能》期刊上。
识别血细胞大小、形状和结构的微小差异是诊断许多血液疾病的核心。然而，要熟练掌握这项技能可能需要数年的经验，即使是训练有素的医生在审查复杂病例时也可能意见不一。
该研究的第一作者，来自某大学应用数学和理论物理系的Simon Deltadahl表示：“我们体内有许多不同类型的血细胞，它们具有不同的特性和作用。例如，白细胞专门负责对抗感染。但了解显微镜下异常或病变血细胞的外观是诊断许多疾病的重要部分。”
应对血液分析的规模挑战
一份标准的血液涂片可能包含数千个单独的细胞，这远非人力可以逐个检查的。“人类无法查看涂片中的所有细胞——这根本不可能，”Deltadahl说。“我们的模型可以自动化这一过程，对常规病例进行分诊，并突出显示任何异常情况供人类复核。”
这一挑战对临床医生来说很常见。该研究的共同资深作者，来自某大学的Suthesh Sivapalaratnam博士说：“我作为初级血液学医生面临的临床挑战是，一天工作结束后，我需要分析大量血液涂片。当我在深夜分析它们时，我确信AI会比我做得更好。”
基于前所未有数据集的训练
为了构建CytoDiffusion，研究人员使用在某医疗中心收集的超过50万张血液涂片图像对其进行了训练。该数据集被描述为同类中规模最大的，包含了常见的血细胞类型、罕见样本以及经常使自动化系统混淆的特征。
该AI并非简单地学习如何将细胞分离到固定的类别中，而是模拟了血细胞可能出现的全部外观范围。这使得它对不同医院、显微镜和染色技术之间的差异具有更强的适应性，同时也提高了其检测罕见或异常细胞的能力。
以更高置信度检测白血病
在测试中，CytoDiffusion识别与白血病相关的异常细胞的灵敏度远高于现有系统。即使在训练样本少得多的情况下，其性能也与当前领先模型相当或更好，并且能够量化其自身预测的置信度。
“当我们测试其准确性时，该系统略优于人类，”Deltadahl说。“但它真正突出的地方在于知道何时不确定。我们的模型绝不会说它很确定然后出错，但人类有时会这样做。”
该研究的共同资深作者，来自某大学应用数学和理论物理系的Michael Roberts教授表示，该系统是针对医疗AI面临的实际挑战进行评估的。“我们在许多真实世界AI面临的挑战中评估了我们的方法，例如从未见过的图像、不同机器捕获的图像以及标签的不确定程度，”他说。“这个框架提供了模型性能的多方面视图，我们相信这对研究人员有益。”
当AI生成的图像迷惑人类专家时
研究团队还发现，CytoDiffusion可以生成与真实血细胞图像难以区分的合成图像。在一次涉及十位经验丰富的血液学专家的“图灵测试”中，这些专家区分真实图像和AI生成图像的能力并不比随机猜测强。
“这真的让我很惊讶，”Deltadahl说。“这些人整天都在看血细胞，连他们都无法分辨。”
向全球研究界开放数据
作为项目的一部分，研究人员正在发布他们描述的世界上最大的公开可用外周血涂片图像集合，总计超过50万个样本。
“通过开放这一资源，我们希望赋能全球研究人员构建和测试新的AI模型，促进高质量医疗数据的民主化访问，并最终为改善患者护理做出贡献，”Deltadahl说。
支持而非取代临床医生
尽管结果强劲，但研究人员强调，CytoDiffusion并非旨在取代训练有素的医生。相反，它旨在通过快速标记可疑病例和自动处理常规样本来协助临床医生。
“医疗保健AI的真正价值不在于以更低的成本近似人类专业知识，而在于实现比专家或简单统计模型更大的诊断、预后和处方能力，”该研究的共同资深作者，来自某机构的Parashkev Nachev教授说。“我们的工作表明，生成式AI将成为这一使命的核心，不仅改变临床支持系统的保真度，而且改变它们对自身知识局限性的洞察。这种‘元认知’意识——知道自己不知道什么——对临床决策至关重要，而我们在此表明，机器可能比我们更擅长于此。”
团队指出，需要进行额外的研究来提高系统的速度，并在更多样化的患者群体中验证其性能，以确保准确性和公平性。
该研究获得了某挑战、某基金会、某心脏基金会、某大学医院信托基金、某健康信托基金、某生物医学研究中心、某生物医学研究中心和某血液与移植机构等机构的支持。这项工作是由旨在利用AI改善全球血液诊断的BloodCounts!联盟内的影像工作组完成的。
